買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉中國科學(xué)技術(shù)大學(xué)申請的專利一種面向非平衡數(shù)據(jù)的代價感知隱私保護(hù)聯(lián)邦學(xué)習(xí)方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN115511054B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-15發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202211186767.9，技術(shù)領(lǐng)域涉及：G06N3/0464；該發(fā)明授權(quán)一種面向非平衡數(shù)據(jù)的代價感知隱私保護(hù)聯(lián)邦學(xué)習(xí)方法是由姚遠(yuǎn)志;劉小微;馬鈺婷;俞能海設(shè)計研發(fā)完成，并于2022-09-27向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種面向非平衡數(shù)據(jù)的代價感知隱私保護(hù)聯(lián)邦學(xué)習(xí)方法在說明書摘要公布了：本發(fā)明公開一種面向非平衡數(shù)據(jù)的代價感知隱私保護(hù)聯(lián)邦學(xué)習(xí)方法，包括：步驟11，本地用戶共享本地模型的結(jié)構(gòu)，并設(shè)置原始梯度裁剪閾值和隱私預(yù)算；步驟12，使用聯(lián)合代價感知和差分隱私模型參數(shù)優(yōu)化機(jī)制訓(xùn)練并更新本地模型，將訓(xùn)練完成的本地模型擾動梯度作為共享參數(shù)上傳到服務(wù)器；步驟13，服務(wù)器聚合參與全局模型更新的本地用戶上傳的擾動梯度，更新全局模型；步驟14，本地用戶從服務(wù)器下載更新的全局模型，服務(wù)器使用附屬數(shù)據(jù)集驗證全局模型準(zhǔn)確度是否大于預(yù)先設(shè)定的閾值，若是則執(zhí)行步驟15，若否則重復(fù)執(zhí)行步驟12和步驟13；步驟15，完成隱私保護(hù)聯(lián)邦學(xué)習(xí)訓(xùn)練過程。該方法較好地平衡了聯(lián)邦學(xué)習(xí)全局模型準(zhǔn)確度和用戶數(shù)據(jù)隱私保護(hù)性能。

本發(fā)明授權(quán)一種面向非平衡數(shù)據(jù)的代價感知隱私保護(hù)聯(lián)邦學(xué)習(xí)方法在權(quán)利要求書中公布了：1.一種面向非平衡數(shù)據(jù)的代價感知隱私保護(hù)聯(lián)邦學(xué)習(xí)方法，其特征在于，包括如下步驟： 步驟11，本地用戶共享本地模型的網(wǎng)絡(luò)結(jié)構(gòu)，并設(shè)置原始梯度裁剪閾值和隱私預(yù)算； 步驟12，本地用戶使用聯(lián)合代價感知和差分隱私模型參數(shù)優(yōu)化機(jī)制訓(xùn)練本地模型，完成本地模型更新，并將訓(xùn)練完成的本地模型擾動梯度作為共享參數(shù)上傳到服務(wù)器，包括： 步驟121，若聯(lián)邦學(xué)習(xí)中共有個本地用戶，每個本地用戶擁有包含個原始圖像的本地數(shù)據(jù)集，本地用戶根據(jù)隱私預(yù)算計算噪聲強(qiáng)度； 其中，-差分隱私表示為： 1； 在式1中，，， 為輸出為的隨機(jī)化機(jī)制；為具有相同尺寸但是僅相差一個元素的鄰接數(shù)據(jù)集；確定性實值函數(shù)的敏感度表示為： 2； 基于高斯機(jī)制的差分隱私過程表示為： 3； 在式3中，是均值為0且標(biāo)準(zhǔn)差為的高斯分布，是單位矩陣； 步驟122，在第次本地模型更新時，本地用戶計算梯度裁剪因子，表示為： 4； 在式4中，是在第次本地模型更新時的代價感知損失函數(shù)；是在第次本地模型更新時的代價感知損失函數(shù)；由數(shù)據(jù)和類別標(biāo)簽構(gòu)成；是在第次本地模型更新時的本地模型中最后一個全連接層的參數(shù)；是在第次本地模型更新時的本地模型中最后一個全連接層的參數(shù)；為調(diào)控參數(shù)；本地模型中最后一個全連接層有個參數(shù)； 在第次本地模型更新時的代價感知損失函數(shù)由非平衡因子和原始損失函數(shù)計算得到，表示為： 5； 在式5中，原始損失函數(shù)表示為： 6； 在式6中，為數(shù)據(jù)類別數(shù)目；為數(shù)據(jù)對應(yīng)于第類的真實類別標(biāo)簽，為數(shù)據(jù)對應(yīng)于第類的預(yù)測類別標(biāo)簽；非平衡因子表示為： 7 在式7中，為本地模型中最后一個全連接層的輸入值； 步驟123，在第次本地模型更新時，本地用戶計算本地模型的原始梯度，表示為： 8； 在式8中，是本地數(shù)據(jù)集的隨機(jī)采樣數(shù)據(jù)集合中的數(shù)據(jù)； 步驟124，在第次本地模型更新時，本地用戶計算裁剪后的本地模型原始梯度，即裁剪梯度，表示為： 9； 在式9中，為在第次本地模型更新時自適應(yīng)梯度裁剪閾值，表示為： 10； 在式10中，為梯度裁剪學(xué)習(xí)率； 步驟125，在第次本地模型更新時，本地用戶對裁剪梯度添加噪聲得到擾動梯度以實現(xiàn)差分隱私，表示為： 11； 步驟126，本地用戶更新本地模型，表示為： 12； 步驟127，本地用戶重復(fù)執(zhí)行步驟122、步驟123、步驟124、步驟125和步驟126直到本地模型更新輪數(shù)達(dá)到預(yù)設(shè)閾值時為止，即完成本地模型更新； 步驟13，服務(wù)器聚合參與全局模型更新的本地用戶上傳的擾動梯度，完成全局模型更新； 步驟14，本地用戶與服務(wù)器進(jìn)行全局通信，從服務(wù)器下載更新的全局模型，服務(wù)器使用附屬數(shù)據(jù)集驗證全局模型準(zhǔn)確度是否大于預(yù)先設(shè)定的閾值，若是則執(zhí)行步驟15，若否則重復(fù)執(zhí)行步驟12和步驟13； 步驟15，完成隱私保護(hù)聯(lián)邦學(xué)習(xí)訓(xùn)練過程。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人中國科學(xué)技術(shù)大學(xué)，其通訊地址為：230026 安徽省合肥市包河區(qū)金寨路96號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。